Uz to, oni mogu proizvoljno blisko aproksimirati diskontinuiranu funkciju. Na primjer, heaviside funkcija, koja je 0 za x=0, može se aproksimirati sigmoidom (lambdax) i aproksimacija postaje bolja kako lambda ide u beskonačnost.
Mogu li neuronske mreže naučiti diskontinuirane funkcije?
Troslojna neuronska mreža može predstavljati bilo koju diskontinuiranu multivarijantnu funkciju. … U ovom radu dokazujemo da takve neuronske mreže mogu implementirati ne samo kontinuirane funkcije već i sve diskontinuirane funkcije.
Može li neuronska mreža aproksimirati bilo koju funkciju?
Teorema univerzalne aproksimacije kaže da neuralna mreža sa 1 skrivenim slojem može aproksimirati bilo koju kontinuiranu funkciju za ulaze unutar određenog raspona. Ako funkcija skače okolo ili ima velike praznine, nećemo je moći aproksimirati.
Koja neuronska mreža može aproksimirati bilo koju kontinuiranu funkciju?
Rezimirajući, preciznija izjava teoreme univerzalnosti je da se neuralne mreže sa jednim skrivenim slojem mogu koristiti za aproksimaciju bilo koje kontinuirane funkcije na bilo koju željenu preciznost.
Mogu li neuronske mreže riješiti bilo koji problem?
Danas se neuronske mreže koriste za rješavanje mnogih poslovnih problema kao što su predviđanje prodaje, istraživanje kupaca, validacija podataka i upravljanje rizikom. Na primjer, u Statsbot weprimijeniti neuronske mreže za predviđanja vremenskih serija, otkrivanje anomalija u podacima i razumijevanje prirodnog jezika.
